update README

sequence_tagging_for_ner/README.md

-#命名实体识别
+# 命名实体识别
 
-##背景说明
+## 背景说明
 
 命名实体识别（Named Entity Recognition，NER）又称作“专名识别”，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等，是自然语言处理研究的一个基础问题。NER任务通常包括实体边界识别、确定实体类别两部分，可以将其作为序列标注问题，根据序列标注结果可以直接得到实体边界和实体类别。
 
-##数据说明
+## 数据说明
 
 在本示例中，我们将使用CoNLL 2003 NER任务中开放出的数据集。由于版权原因，我们暂不提供此数据集的下载，可以按照[此页面](http://www.clips.uantwerpen.be/conll2003/ner/)中的说明免费获取该数据。此数据集中训练和测试数据格式如下：
 
@@ -20,7 +20,7 @@
 
 其中第一列为原始句子序列（第二、三列分别为词性标签和句法分析中的语块标签，这里暂时不用），第四列为采用了I-TYPE方式表示的NER标签（I-TYPE和[BIO方式](https://github.com/PaddlePaddle/book/tree/develop/07.label_semantic_roles)的主要区别在于语块开始标记的使用上，I-TYPE只有在出现相邻的同类别实体时对后者使用B标记，其他均使用I标记），而我们这里将使用BIO方式表示的标签集，这两种方式的转换过程在我们提供的`conll03.py`文件中进行。另外，我们附上word词典、label词典和预训练的词向量三个文件（word词典和词向量来源于[Stanford cs224d](http://cs224d.stanford.edu/)课程作业）以供使用。
 
-##模型说明
+## 模型说明
 
 在本示例中，我们所使用的模型结构如图1所示。其输入为句子序列，在取词向量转换为词向量序列后，经过多组全连接层、双向RNN进行特征提取，最后接入CRF以学习到的特征为输入，以标记序列为监督信号，完成序列标注。更多关于RNN及其变体的知识可见[此页面](http://book.paddlepaddle.org/06.understand_sentiment/)。
 <div  align="center">  
@@ -28,9 +28,9 @@
 图1. NER模型网络结构
 </div>
 
-##运行说明
+## 运行说明
 
-###数据设置
+### 数据设置
 
 运行`ner.py`需要对数据设置部分进行更改，将以下代码中的变量值修改为正确的文件路径即可。
 
@@ -43,7 +43,7 @@ target_file = 'data/target.txt'   #label_dict文件
 emb_file = 'data/wordVectors.txt' #词向量文件
 ```
 
-###训练和预测
+### 训练和预测
 
 `ner.py`提供了以下两个接口分别进行模型训练和预测：
 

sequence_tagging_for_ner/ner.py

@@ -239,10 +239,7 @@ def ner_net_infer(data_reader=test_data_reader, model_file='ner_model.tar.gz'):
         parameters=paddle.parameters.Parameters.from_tar(gzip.open(model_file)),
         input=test_data,
         field='id')
-    '''words_reverse = {}
-    for (k, v) in word_dict.items():
-        words_reverse[v] = k
-    flat_data = [words_reverse[word_id] for word_id in itertools.chain.from_iterable(itertools.chain.from_iterable(test_data))]'''
+
     flat_data = [word for word in itertools.chain.from_iterable(test_sentences)]
 
     labels_reverse = {}